《Focal FCN: Towards Biomedical Small Object Segmentation with Limited Training Data》 论文笔记
论文链接
Focal FCN: Towards Biomedical Small Object Segmentation with Limited Training Data
论文概述
小目标分割是医学图像中的传统任务。如今基于深度学习的方法来检测小目标错误率仍然很高。本文提出了一种基于有限训练集的小目标分割方法。首先使用FCN来初始化Focal FCN，之后使用focal loss使得训练集中在错误分类的像素上，从而在小物体分割上取得较好的效果。
论文要点概括
文章介绍了小目标检测在医学领域重要性，同时阐述了由于卷积神经网络的应用使得语义分割方面取得长足进步，但是其在小目标检测中错误情况仍然频发，论文针对此提出一些解决办法。
-
论文采用了类FCN或U-Net网络结构（network
in this paper which is similar to FCN or U-Net ），如下：
Network Structure -
简要介绍了传统的loss function，传统使用CE，但由于小目标特性，前景像素和背景像素比差异显著，针对此问题又采用WCE(Weighted-CE)，使得前景像素有更大权重，而背景像素权重降低。
WCELoss -
由于FCN在多分类问题中常对包含误报的初步结果进行分割。Focal FCN采用的是FCN结构并且结合Focal Loss来处理问题，Focal Loss具体见另一论文（作者提出一种新的损失函数，思路是希望那些hard examples对损失的贡献变大，使网络更倾向于从这些样本上学习），此处参数文中给出，即给定α，Pt。
FocalLoss
